一种扩维无迹卡尔曼滤波

本文讨论了一种基于扩维的无迹卡尔曼滤波(A-UKF)。通过无迹变换(UT),引出了无迹卡尔曼滤波(UKF)的算法描述,进一步深入研究了扩维无迹卡尔曼滤波,它把非线性系统中的过程噪声和测量噪声引入到采样点中,当采样点通过非线性系统传播时,有效的削弱了噪声的影响,并在算法上进行了比较,说明了A-UKF比UKF的精确性要高。最后通过仿真进行了验证。

基于部分扩维的无迹卡尔曼滤波算法研究

UKF扩维算法往往因为比较复杂而导致计算量较大,为此EW等学者提出了当过程噪声和量测噪声都是白噪声时UKF的简化算法。证明了这种简化算法在线性条件下不能达到最优估计;即线性条件下与Kalman滤波不等效;同时证明了UKF部分扩维的算法即只将过程噪声进行扩维后仍能达到最优估计;且又在一定程度上减少了计算量。最后在GPS/INS组合导航中进行了仿真验证,仿真结果进一步证明了理论分析的正确性。

修正扩维无迹卡尔曼滤波算法研究

在脉冲星导航中,角位置误差是主要的误差源之一。因此本文基于X射线脉冲星导航,提出了一种修正扩维无迹卡尔曼滤波(MASUKF)算法进行角位置误差的改进。MASUKF算法在原扩维无迹卡尔曼滤波(ASUKF)算法的基础上加入了Roamer延迟的高阶项,并将其作为误差项,将修改后的误差项代入状态方程与量测方程中,即可进行仿真分析。在仿真中,首先将ASUKF算法与UKF算法进行对比仿真模拟试验,结果显示ASUKF算法能显著地提高约45 m的定位精度,在X、Y、Z 3方向的速度误差估计精度约提高了20%;然后比较ASUKF与MASUKF算法,结果显示MASUKF算法较ASUKF算法的速度误差与位置误差的估计精度均提高2%以上。

基于改进平方根UKF双向滤波的单站无源定位算法

针对单站无源定位可观测性弱、观测噪声大而导致的定位精度低、稳定性差和收敛速度慢等问题,在结合平方根无迹卡尔曼滤波(Square-Root Unscented Kalman Filter,SRUKF)以及后向平滑思想的基础上,提出了一种改进SRUKF的双向滤波算法。该算法采用Q-R分解的形式,使用误差协方差的平方根代替协方差参与递推运算,提高了算法的稳定性与运算效率。同时,该算法对状态向量进行扩维,将过程噪声与观测噪声通过非线性系统传播,降低了噪声对滤波精度的影响,并利用当前时刻滤波结果通过Rauch-Tung-Striebel(RTS)后向平滑得到再次前向滤波更高精度的起始值,提高了算法的定位精度与收敛速度。仿真结果表明,新算法在保证实时性的基础上改善了单站无源定位的性能。

多测速系统中系统误差实时估计与校准算法

在实际目标跟踪系统中,测量设备都存在系统误差,会导致跟踪滤波精度显著下降。针对多测速系统,对其测速系统误差进行了简化数学建模;然后将其增广为状态变量,应用扩维无迹卡尔曼滤波对目标运动状态和系统误差进行联合估计,以实时校准系统误差、提高状态估计精度。在存在主副站2类系统误差的条件下,设定恒定和线性时变2类系统误差场景,对算法进行仿真分析。仿真结果表明,算法在2类系统误差情形下都能有效校准系统误差,位置、速度滤波精度可提高80%以上;尤其是当系统误差恒定时,算法可完全消除系统误差的影响。